10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil

Brazilian Society on Computational Intelligence (SBIC)

CLASSIFICAO DE VECULOS AUTOMOTIVOS ATRAVS DE
SENSORES INDUTIVOS E REDES NEURAIS
Lucas Costa Cicarelli, Eduardo Parente Ribeiro, Gideon Villar Leandro
Universidade Federal do Paran Departamento de Engenharia Eltrica
lcicarelli@gmail.com, edu@eletrica.ufpr.br, gideon@eletrica.ufpr.br

Resumo A identificao da categoria de um veculo que trafega em uma via um importante parmetro para sistemas de
gerenciamento de trfego. Vrias tcnicas so empregadas para realizar a tarefa de classificao veicular, sendo que a maioria
processa informaes provenientes dos sensores indutivos. Neste trabalho, proposto um sistema de classificao de veculos
em oito categorias utilizando-se rede neural. As variveis de entrada utilizadas para a rede neural foram extradas a partir dos
perfis magnticos adquiridos. Este estudo apresenta uma anlise da seleo dos parmetros de entrada para a rede neural. Este
sistema foi capaz de alcanar ndices de acerto na classificao de 90%. Os resultados dos testes mostram a viabilidade tcnica
de se utilizar o sistema em equipamentos fixo de fiscalizao eletrnica, permitindo a diferenciao de categorias muito
semelhantes entre si como caminhonetes de camionetas.
Palavras-chave Classificao de veculos, redes neurais, laos indutivos.

1 Introduo
A classificao de veculos automotores em diferentes categorias apresenta grande utilidade para sistemas inteligentes de
trfego - ITS (Intelligent Traffic Systems). Os ITS contribuem com ferramentas para a gesto do trnsito em diversas
aplicaes como comunicao, sinalizao, organizao, gerenciamento, controle e proteo das variveis (pedestres, veculos,
estradas, etc.) envolvidas sobretudo os agentes humanos. Um sistema capaz de classificar veculos em diferentes categorias
contribui com os ITSs em aspectos como:
Planejamento do sistema virio;
Estimar a emisso de poluentes nas vias;
Verificar sazonalidade do trfego, ou seja, as mudanas de comportamento do mesmo em pocas distintas;
Localizar e projetar pontos de instalaes para as operaes de monitoramento e fiscalizao;
Fiscalizar vias que permitam o trfego de categorias exclusivas;
Fiscalizar categorias de veculos distintas em faixas de velocidades distintas.
A maior parte dos sistemas de classificao utilizados tem como base o processamento das variveis obtidas dos
sensores indutivos. Eles so amplamente difundidos como elemento sensor em equipamentos fixos de fiscalizao eletrnica
pelas vantagens apresentadas em termos de custo e confiabilidade [1].
O presente artigo utiliza rede neural para classificao veicular tendo como variveis de entrada os parmetros
extrados a partir das respostas produzidas pelos sensores indutivos durante a passagem dos diferentes veculos sobre os
mesmos. Foram testadas diferentes combinaes de variveis de entrada para a rede neural. Os resultados dos diferentes casos
foram comparados em relao aos ndices de classificao correta obtidos.
O algoritmo de classificao do sistema proposto realiza a separao entre caminhonetes, camionetas e vans o que
poderia contribuir com o agente de trnsito na diferenciao dos veculos que possuem velocidades mximas regulamentadas,
visto que o cdigo de trnsito brasileiro regulamenta diferentes velocidades em vias expressas para caminhes e caminhonetes
(80 km/h), nibus (90 km/h) e veculos de passeio ou motos (110 km/h) (Art. 61, Cdigo de Trnsito Brasileiro, 1997).
Segundo o artigo 96 do CTB, Caminhonete (pickup) todo veculo destinado ao transporte de carga com peso bruto total de
at 3,5 mil kg (passageiros e carga em compartimentos separados). J camioneta um veculo misto destinado ao transporte de
passageiros e carga no mesmo compartimento, tambm conhecida como SUV, do ingls (Small Utility Vehicle). Alguns
exemplos de caminhonete so Chevrolet S-10, Fiat Strada, Ford Ranger. Como exemplos de camioneta tem-se Hyunday
Tucson, Land Rover Discovery 3, Renault Scenic.
Outra aplicao para utilizao do perfil magntico a re-indentificao veicular que consiste na verificao de
passagem por um segundo ponto aps o veiculo j ter trafegado sobre um primeiro ponto. O perfil magntico para re-
identificao de seqncias de veculos foi inicialmente discutido por Bohnke e Pfannerstill [2], que aplicaram um sistema de
identificao de sete classes de veculos usando duplos sensores indutivos e uma rede neural tipo mapa de Kohonem. Foi
proposto por Andreotti [3], um sistema de classificao em sete categorias utilizando tcnicas de clusterizao. Foram
utilizados 248 perfis magnticos sendo 166 para treinamento e 82 para validao. O sistema alcanou preciso de 97,5%.
Magalhes [4] props um sistema de classificao de veculos a partir da extrao do perfil magntico dos veculos utilizando
tcnicas de estimao em frequncia em alta resoluo pela Decomposio Harmnica de Pisarenko PHD e sua combinao
com processamento de imagens obtidas de cmeras de vdeo.

1
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
Oh et al. (2002)[5] obtiveram resultados de classificao de 82,6% utilizando rede neural, com 4 parmetro de
entrada, classificando veculos em 7 categorias, sendo 4 de veculos comerciais. O sistema de classificao proposto por Sun
(2003) [6] e adaptado por Ritchie et al.[7] utilizou rvore de deciso heurstica com base em 4 parmetros extrados do perfil
magntico tendo sido obtidos ndice de classificao de 85% e 89,3% respectivamente.
O sistema proposto por Calixto [1] utilizou de lgica nebulosa para classificar veculos em 6 categorias, com taxa de
acerto superior a 85% para todas as categorias.Em trabalho realizado por Oliveira et. al [8] foi proposto um sistema de
classificao de veculos de acordo com o comprimento, utilizando rede neural, obtendo taxa de reconhecimento de 92,43%
em um equipamento instalado em campo. Em [9] descrito o desenvolvimento de um sistema inteligente para deteco
contagem, medio de velocidade e identificao (classificao) de veculos. O projeto utilizou tcnicas de processamento de
sinais, como transformada rpida de Fourier (FFT). A FFT foi usada para anlise e interpretao dos sinais gerados pelos laos
de induo.
O presente artigo se divide em 4 sees. Na seo 2, apresentada a definio do domnio do problema, a aquisio e
preparao dos dados para a classificao e o projeto da rede. Os resultados so apresentados na seo 3 e as concluses na
seo 4.

2 Metodologia
A. Definies
Equipamentos de medio de velocidade classificados pelo Cdigo de Trnsito Brasileiro (CTB, 97) como fixos,
realizam medies com base em dados extrados a partir de laos indutivos. Tais sensores, quando excitados eletricamente
respondem s variaes de campo magntico do meio. Quando um objeto metlico se aproxima do campo magntico
produzido pelo sensor, pequenas correntes so induzidas na superfcie metlica do objeto. Tais correntes geram um campo
magntico prprio oposto ao campo gerado pelo sensor, conforme a lei de Lenz, fazendo com que a indutncia do sensor
diminua. A indutncia tambm pode sofrer aumento quando objetos com composio elevada de metais ferrosos se aproximam
do sensor incrementando a densidade de fluxo do campo magntico. A medio da indutncia pelo sistema detector de
velocidade, ao longo do tempo, gera uma curva conhecida como perfil magntico ou assinatura magntica [1].
Quando um veculo transita sobre os sensores indutivos, gerado um perfil magntico dependente de sua velocidade,
dimenses e distribuio de massa metlica que o compe ao longo de seu comprimento [10]. O funcionamento do sistema de
fiscalizao consiste, basicamente, em detectar a passagem do veculo, fazer o clculo e a conferncia da velocidade e, se
verificada a infrao, captur-lo atravs do sistema de vdeo. O sistema de deteco de veculos presente no equipamento DEV
(Detector Eletrnico de Velocidade) um sistema embarcado, constitudo de filtros de hardware e software, amplificadores de
sinal, sendo baseado em arquitetura DSP (Digital Signal Processor).
A Figura 1 apresenta o diagrama em blocos do sistema detector utilizado para obteno da resposta do sensor na
forma de perfil magntico. Inicialmente, o sinal do lao indutivo passa por um filtro passa-faixa que elimina as freqncias
capturadas fora do espectro de trabalho do sistema detector. Em seguida, o sinal passa por um transformador que isola o lao
instalado no asfalto da eletrnica da placa detectora, elevando o sinal atravs da relao de 16:1 das bobinas. O sinal ento
amplificado eletronicamente e passa por um estgio corta-faixa que elimina a freqncia de 60 Hz. O sinal finalmente
digitalizado no conversor analgico-digital de 12 bits, que resulta no perfil magntico apresentado.

Figura 1 - Diagrama do Sistema Detector [10].

B. Seleo da Base de Dados
Para garantir uma grande quantidade de perfis magnticos, a fim de agregar dados suficientes, permitindo uma boa
anlise estatstica, o processo de coleta foi automatizado em conjunto com a imagem do veculo correspondente. A captura
pelas cmeras dos equipamentos foi regulada para garantir a visualizao completa do veculo, permitindo a compreenso
correta da categoria equivalente. Os dados foram coletados a partir de um equipamento do tipo DEV, fabricante Perkons S/A,
localizado na BR-277, prximo a represa da Vossoroca. De forma a obter uma quantidade homognea de veculos das
diferentes classes e agregar possveis veculos ao banco de dados que no circulam neste equipamento, foram coletadas
amostras de nibus, vans e motos em outros equipamentos instalados em Curitiba e Campo Grande.
O banco de dados gerado foi distribudo em classes, conforme anlise da imagem gerada para cada veculo atribuiu-se
uma classe equivalente. A base de dados foi constituda por 3906 veculos, sendo 592 carros, 488 motos, 495 nibus, 640
caminhes, 520 carretas, 407 vans, 436 caminhonetes e 328 camionetas.

2
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
C. Extrao de Caractersticas
A extrao de caractersticas do perfil magntico permite agrupar os veculos em diferentes categorias, sendo que os
modelos de cada categoria apresentam perfis magnticos semelhantes. O sistema proposto neste trabalho classifica veculos em
oito categorias: carro, moto, nibus, caminho, carreta, caminhonete, camioneta e van.
Uma vez que se sabe a velocidade de cada veculo, tendo sido esta calculada atravs de dois sensores indutivos
instalados em distncia fixa, pode-se eliminar a dependncia deste parmetro, normalizando-se o perfil ao longo do tempo. As
diferenas construtivas dos laos indutivos, bem como dos parmetros de ajuste e offset, so corrigidas, normalizando a
amplitude dos sinais magnticos obtidos.
A Figura 2 mostra a curva de perfil magntico normalizadas no eixo horizontal (comprimento) e vertical (amplitude)
para um veculo do tipo caminho. Para a classificao utilizaram-se somente as curvas geradas a partir de um dos laos, uma
vez que a informao provida a partir do segundo lao praticamente a mesma que a do primeiro, no sendo necessria para a
anlise do problema.

Figura 2 - Caractersticas do Perfil Magntico Normalizado.

Foram extradas 10 caractersticas dos perfis magnticos normalizados, para serem utilizadas como entrada para o
sistema de classificao. As caractersticas foram escolhidas de forma a tornar as classes facilmente diferenciveis e foram
tomadas com base na literatura revisada ([1], [5], [6], [7] e [11]). So apresentadas a seguir a notao, descrio e clculo de
cada uma das caractersticas.
L Comprimento magntico do veculo - Comprimento a partir da ocupao do lao (metros) - b+c.
XM Valor mdio - Somatria das amostras de perfil magntico dividido pelo nmero de pontos do perfil (adimensional) -
n
xi
i =1
XM = .
n Sendo XM o valor mdio, xi o valor do perfil magntico no ponto i e n o nmero de pontos do perfil
magntico
Np Nmero de picos (inverses) - O nmero de picos o total de inflexes na curva de perfil magntico, ou seja, quantas
vezes a derivada primeira passa de valor negativo para positivo ou vice-versa (adimensional). - Algoritmo que analisa
quantas vezes a derivada muda de sinal.

Valor mdio de picos - Essa medida obtida atravs dos valores mdios dos pontos de inverso (adimensional). -

onde o valor mdio das inverses do perfil magntico, Xj o valor do perfil magntico na inverso
j e ni o nmero de inverses ocorridas no perfil magntico.
Var Varincia normalizada - A varincia uma medida da variabilidade dos dados em torno da mdia.

definida como o desvio quadrtico mdio em relao ao valor mdio (adimensional) - A

varincia Var obtida a partir de Xi (valor do perfil magntico normalizado em amplitude e comprimento no ponto i), XM
(valor mdio do perfil magntico normalizado em amplitude e comprimento) e n (nmero de pontos do perfil magntico).
SRN Taxa de subida normalizada (Slew Rate) - Inclinao do perfil no ponto de ordenada y=A/2. [(L/L)/m= m-1] d

3
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
DOS Grau de simetria (Degree of Simetry) - Seja m a mediana do perfil, DOS a soma das distncias (em y) at m de
cada ponto acima da ordenada y = A/2 ([L/L], adimensional) <e i,m>
m Mediana - definida como o valor que divide os dados ordenados ao meio, i.e. metade dos dados tm valores maiores
do que a mediana, a outra metade tem valores menores do que a mediana.
NHM Nmero de amostras de alta amplitude (Number of High Magnitude ) - Nmero de amostras acima da ordenada y
de valor igual a A/2 (adimensional).
SP Parmetro de forma (Shape Parameter) - Grandeza relacionada ao grau de simetria e obliqidade do perfil
(adimensional). b/(b+c)
A variao de indutncia no lao indutivo inversamente proporcional a distncia entre a plataforma do veculo e o
sensor. Desse modo, os nibus e caminhes, por exemplo, produzem uma variao de indutncia menor que um veculo de
passageiro ou uma van. As curvas de perfis magnticos apresentam caractersticas similares referentes a cada categoria de
veculos. O perfil magntico de um veculo de passeio tem o formato de uma parbola. nibus e caminhes apresentam
formatos com maiores ondulaes. O perfil de uma van se assemelha a de um veculo de passeio, porm mais largo na base
da parbola. O formato da curva depende do chassis, comprimento do veculo e configurao de eixos [12].
O tempo de ocupao o intervalo que o veculo permanece sobre o sensor indutivo e varia de acordo com a categoria
do veculo. O tempo de ocupao de um automvel menor que o de um nibus ou caminho, na mesma velocidade, sendo
diretamente proporcional ao comprimento do veculo. Foi levantada a distribuio estatstica para o banco de dados de veculos
pr-classificado para cada parmetro descrito anteriormente.

(a) (b) (c)

(d) (e) (f)

(g) (h) (i)

Figura 3 Distribuio estatsticas para os diversos parmetros extrados dos perfis magnticos para as 8 categorias.
Comprimento Magntico (a), Valor Mdio (b), Nmero de Picos (c), Valor mdio de Picos (d), Varincia (e), Taxa de Subida
Normalizada (f), Grau de Simetria (g), Mediana (h) e Nmero de Amostras de AltaAmplitude (i).

4
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
O parmetro comprimento magntico permite a diferenciao das categorias moto, caminho e carreta. Porm, a
diferenciao de camionetas, vans e utilitrios torna-se impossibilitada e as categorias apresentam sobreposio em relao ao
grupo de caminhes. Existe tambm uma pequena superposio entre os grupos de veculos de carretas e nibus. Para o
parmetro valor mdio evidencia-se a diferenciao da categoria moto. As variaes mais acentuadas ocorrem para as
categorias de carros e nibus e os menores valores para carretas e caminhes. J camionetas, caminhonetes e vans apresentam
valores intermedirios. Nota-se um grande nmero de inverses nos perfis magnticos de carretas e nibus, sendo estas as
categorias que apresentam maiores valores mdios de picos. Este parmetro permite pequena separao entre nibus e
caminhes/carretas. Os histogramas de varincia permitem verificar a separao da categoria carro das demais. nibus,
caminhonetes, camionetas e vans apresentam valores intermedirios, caminhes e carretas apresentam os menores valores.O
grau de simetria e o parmetro de forma permitem a importante separao entre camionetas (maiores valores) de caminhonetes
(menores valores). As categorias nibus e carreta apresentam os maiores valores de grau de simetria. J a taxa de subida
normalizada permite a separao entre carros e caminhonetes/camionetas/vans, permitindo tambm a diferenciao entre
carretas e nibus. Os maiores valores de taxa de subida so apresentados pelos carros e os menores pelas motos.Observando o
histograma para a mediana, nota-se que as caminhonetes e camionetas apresentam valores superiores deste parmetro em
relao a vans. A mediana permite a diferenciao entre nibus e vans.O nmero de amostras de alta amplitude (NHM)
possibilita uma importante separao das vans em relao a caminhonetes e camionetas.
D. Arquitetura da Rede Neural e Treinamento
O sistema classificador constitudo por uma rede neural Multi-Layer Perceptron (MLP) com funo de ativao
tangente hiperblica (tanh) para os neurnios da camada oculta, treinada por algoritmo de retroprogao de erro (BNN Back-
Propagation Neural Network). As entradas utilizadas para a rede neural foram constitudas pelas caractersticas extradas do
perfil de cada veculo, descritos na seo C. A sada constituda por 8 neurnios, sendo um para cada classe de veculos a
categorizar.
O treinamento e simulao foram feitos no MATLAB 7 utilizando o Neural Network ToolBox. Trs tipos de
algoritmos de treinamento foram testados: Levemberg-Marquardt, Automated Regularization (trainbr) e de Parada Antecipada
(Early Stoping) sendo o critrio de parada o nmero mximo de 100 pocas de treinamento ou o erro quadrtico mdio no
superior a 1 10-10. Foram testadas diversas configuraes de rede, sempre com uma camada oculta, variando-se os neurnios
da camada de entrada para cada teste. O nmero de neurnios da camada oculta variou de acordo com os parmetros de
entrada, tendo sido utilizado sempre o valor inteiro mais prximo da mdia entre o nmero de entradas e sadas [12].
Devido ao fato de a inicializao dos pesos (bias) da rede neural ser feito com valores aleatrios, o treinamento e
validao da rede era repetido, at se obter a taxa de acerto mnima de 70%, para o conjunto de validao, para cada caso de
teste.
O total de veculos foi dividido em 3 conjuntos (35% para treinamento, 15% para validao e 50% para teste)
mantendo-se a proporo para o total de veculos de cada classe. As entradas de dados para treinamento e validao estavam
agrupadas por classes em um arquivo contendo todos os padres da classe 1 seguidos pelos padres da classe 2 e assim
sucessivamente. Como os algoritmos utilizados pelo MATLAB atualizam os parmetros aps a apresentao de cada padro,
no recomendada a apresentao de padres de uma mesma classe. Por isso, o conjunto de treinamento teve de ser
"embaralhado".
Cada configurao da rede neural utilizou um tipo de conjunto de neurnios de entrada, tendo sido testadas as
seguintes combinaes
Caso 1: Todos os parmetros da Tabela 1. Neste caso foram utilizados 9 neurnios na camada oculta.
Caso 2: Os micronibus foram agrupados na mesma classe que as vans. Neste caso foram utilizados 9 neurnios
na camada oculta.
Caso 3: Mesmos parmetros do perfil utilizados para classificao em 4 categorias por Calixto (comprimento
magntico, valor mdio e nmero de picos [1]. Neste caso foram utilizados 5 neurnios na camada oculta.
Caso 4: Parmetros do perfil utilizados para classificao em 6 categorias por Calixto (comprimento magntico,
valor mdio, nmero de picos, valor mdio de picos e varincia) [1]. Neste caso foram utilizados 6 neurnios na
camada oculta.
Caso 5: parmetros do perfil utilizados em [5], [6], [7] e [11]. Neste caso foram utilizados 6 neurnios na camada
oculta.
Caso 6: Ao analisar o histograma da Figura 3, verificou-se que o valor mdio de picos e o grau de simetria no
contribuem significativamente para a separao entre categorias de veculos, podendo inclusive gerar erros no
sistema classificador. Portanto tais parmetros foram desconsiderados para este ltimo caso de teste, em que se
utilizou 8 parmetros para os neurnios de entrada. Neste caso foram utilizados 8 neurnios na camada oculta.

5
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)

3 Resultados
Para cada configurao de rede neural foram realizados os seguintes procedimentos:
Treinamento utilizando o conjunto de treinamento
Validao utilizando o conjunto de validao
Simulao da rede com o conjunto de dados de teste
Verificao do resultado obtido contra o esperado
Os resultados dos testes para cada um dos casos simulados so mostrados na Tabela 1, sendo destacados os maiores
ndices de acerto para cada caso de teste, e indicado o algoritmo de treinamento da rede neural que acarretou em um maior
ndice de classificao (nmero de veculos classificados corretamente pelo total de veculos testados).
Tabela 1 ndices de acertos na classificao para cada categoria.
Caso Algoritmo de
Teste Treinamento Carro Moto nibus Caminho Carreta Van Caminhonete Camioneta Total
1 Bayes
Regulation (BR) 98% 99% 90% 95% 93% 74% 78% 65% 88%
Early Stopping
2 98% 99% 90% 96% 97% 47,% 86% 77% 89%
(ES)
Levemberg
3 97% 100,00% 78% 92% 94% 31% 55% 70% 80%
Marquardt (LM)
Bayes
4 98% 100,00% 87% 94% 94% 62% 78,18% 65% 87%
Regulation (BR)
Bayes
5 97% 100% 94% 91% 90% 65% 65% 69% 86%
Regulation (BR)
Early Stopping
6
(ES) 98% 100% 95% 95% 95% 64% 80% 80% 90%
Observando-se a Tabela 1, verifica-se que o maior ndice de classificao geral e para cada categoria foi a rede neural
utilizando 8 parmetros, superando inclusive a rede que utilizou todos os 10 parmetros, o que comprova que a eliminao de 2
parmetros (grau de simetria e valor mdio de picos) permitiu um aumento de acertos de classificao para as categorias
nibus, caminhonete e camioneta e uma diminuio dos acertos para as vans.
A Tabela 2 apresenta os resultados totais e quantificados da classificao, sendo que nas linhas est registrada a
quantidade de veculos referente categoria (coluna) de acordo com a imagem observada e nas colunas est registrada a
classificao que o sistema atribuiu.

Tabela 2 Classificao de veculos para o caso de teste 6.

CATEGORIA CLASSIFICAO PELA REDE NEURAL
REAL Total
Carro Moto nibus Caminho Carreta Van Caminhonete Camioneta Real
Carro 293 2 0 0 0 0 3 0 298
Moto 0 250 0 1 0 0 0 0 251
nibus 4 1 235 4 2 2 0 0 248
Caminho 0 1 0 307 5 2 7 0 322
Carreta 0 0 5 5 248 0 0 2 260
Van 5 0 25 1 0 132 10 32 205
Caminhonete 0 0 0 2 0 4 175 38 219
Camioneta 2 0 0 0 0 10 21 128 161
Total Classificao 304 254 265 320 255 150 216 200 1964
A partir da anlise da Tabela 2, evidencia-se que:
Apenas 5 caminhes foram classificados como carretas e apenas 5 carretas foram classificados como caminhes.
Apenas 4 nibus foram confundidos com caminhes
As categorias carro, moto, nibus, caminhes e carretas puderam ser separadas umas das outras com grande
confiabilidade.
Apenas 2 camionetas e 5 vans foram confundidas com veculos de passeio e apenas 3 carros foram classificados
como caminhonete. O sistema foi capaz de separar com eficincia a categoria carro da categoria de utilitrios
(vans, caminhonetes e camionetas).

6
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
A utilizao de apenas 3 parmetros de entrada apresenta bons resultados para classificao em 6 categorias,
entretanto insuficiente para separar as classes de veculos de caminhonetes, camionetas e vans. Acrescentando
os parmetros de valor mdio de picos e varincia, possvel obter melhores ndices para as categorias de vans e
caminhonetes.
Os parmetros utilizados em [5], [6], [7] e [11] se mostraram menos eficientes para classificar caminhes e
carretas que aqueles utilizados por Calixto [1], em compensao apresentaram maiores ndices de classificao
para as categorias de van e camioneta.
O agrupamento de vans e micronibus na mesma categoria (Caso de Teste 2) acarretou uma melhora significativa
na classificao de caminhonetes e camionetas, entretanto um maior nmero de vans foi classificado como
nibus, o que ocasionou o decrscimo no ndice de classificao.
Entre as categorias de vans, camionetas e caminhonetes ocorreram os maiores erros na classificao, conforme j era
previsto, devido ao fato de os perfis magnticos entre estes tipos de veculos apresentarem muitas semelhanas. Ainda assim,
os ndices de acertos de classificao para estas categorias so superiores aos respectivos ndices obtidos por Sun [6] (71% para
o total de veculos, sendo que caminhonetes e camionetas estavam agrupadas em uma mesma categoria e as vans em outra
categoria. Um ndice de 75% de acerto foi obtido por Oh e Ritchie (2007) [11] para classificao de caminhonetes, camionetas
e carros e de 58,3% para vans. Neste ltimo, foram utilizados para testes apenas 12 veculos de cada categoria. o sistema foi
implementado atravs de uma rede neural probabilstica com esquema de deciso bayesiano. As variveis de entrada foram
comprimento magntico, amplitude, desvio padro, parmetro de forma e grau de simetria. J em outro trabalho de Ritchie [7]
foram obtidos ndices de classificao de 96,24% para carros, 61,58% para caminhonetes (total de 133 no teste), 51,34% para
vans (total de 638) e 47,63% para camionetas (apenas 42 no teste). Foram utilizadas as mesmas variveis de entrada do
trabalho de Oh e Ritchie (2007) [11], entretanto o sistema foi implementado atravs de rvore de deciso heurstica.
O sistema de classificao proposto por Oh et al.(2002) [5] tambm utiliza uma rede neural com retropropagao de
erro, utilizando como parmetros de entrada a mxima amplitude do perfil, o comprimento magntico, o parmetro de forma e
a rea sob a curva do perfil. Os veculos foram classificados em 7 categorias tendo alcanado ndice de classificao geral de
82,6%. O percentual de acertos na classificao para as categorias foram respectivamente: carros e minivans, 88,6%;
camionetas, 74,3%; van e micronibus, 75%; caminhonetes, 75,7%; caminho 85,4%; carreta, 100%; nibus, 100%, sendo que
para esta ltima classe apenas 10 veculos foram utilizados no teste.
Os ndices de classificao para carros, motos, nibus, caminhes e carretas ficaram muito prximos aos valores
obtidos por Calixto [1] para as mesmas categorias.

4 Concluses
Neste trabalho foi apresentado um sistema para classificao de veculos em oito categorias baseado em rede neural
cujas variveis de entrada foram extradas a partir dos perfis magnticos dos veculos. Os testes foram realizados utilizando
diferentes combinaes de variveis de entrada para a rede neural, variando desde 3 at 10 parmetros.
A rede neural com retropropagao de erro com 8 neurnios na camada oculta e oito parmetros de entrada
selecionados a partir da capacidade de diferenciao entre classes, alcanou os resultados na classificao geral de 90%. Os
ndices de classificao para carros, motos, nibus, caminhes, carretas, vans, caminhonetes, e camionetas foram de 98%,
100%, 95%, 95%, 95%, 64%, 80% e 80%, respectivamente. Com exceo das classes de utilitrios (vans, camionetas e
caminhonetes), os demais tipos de veculos apresentaram alta taxa de classificao por apresentarem caractersticas extradas
do perfil magntico bastante distinguveis.

5 Referncias
[1] Calixto, S. A. ,Classificao de Veculos Atravs de Sistemas Fuzzy. Dissertao apresentado a UTFPR, maro, 2006
[2] Bohnke, P., Pfannerstill, E. A system for the automatic detection of traffic situations. ITE Journal, vol. 56, 1986.
[3] Andreotti, M.,Sensoriamento Indutivo para Veculos Automotores. Dissertao apresentado a UTFPR, abril, 2001.
[4] Magalhes, H. A., Anlise em Alta Resoluo de Perfis Magnticos de Sensores a Lao Indutivo e Metodologia de Fuso
com Caractersticas de Imagem para Classificao de Veculos. Tese apresentada a UFMG, maio, 2008.
[5] Oh, S., Ritchie, Stephen G., Oh, C., Real Time Traffic Measurement from Single Loop Inductive Signatures, 81st
Annual Meeting of the Transportation Research Board, Washington, D. C., January, 2002.
[6] Sun, C. An Investigation in the Use of Inductive Loop Signatures for Vehicle Classification California PATH Research
Report UCB-ITS-PRR-2000-4. Institute of Transportation Studies, University of California, Irvine, CA, USA, March,
2000.
[7] Ritchie, Stephen G., Park, S., Oh, Jeng, Shing-Ting, Tok, A. Field Investigation of Advanced Vehicle Reidentification
Techniques and Detector Technologies Phase 2, California PATH Research Report UCB-ITS-PRR-2005-8, Institute
of Transportation Studies, University of California, Irvine, CA, USA, March, 2005.
[8] Oliveira H.A, Barbosa, F.R, Almeida, O.M., Braga, A.P.S. Reconhecimento de Porte de Veculos com Anlise de Perfil
Magntico com Sensores Indutivos Instalados na Via de Trnsito Utilizando Redes Neurais Artificiais. XIII Congresso
Brasileiro de Automtica, pp. 3568-3574, Setembro 2010.

7
 10th Brazilian Congress on Computational Intelligence (CBIC2011), November 8 to 11, 2011, Fortaleza, Cear Brazil
Brazilian Society on Computational Intelligence (SBIC)
[9] Barbosa, H.M. et al (2004). Sistema de Identificao de Veculos por Meio de Laos de Induo: Um projeto Integrado de
Ensino e Desenvolvimento Tecnolgico. Anais eletrnicos do XVIII Congresso Nacional de Pesquisa e Ensino em
Transportes, ANPET.
[10] Nishimoto, R. E. ,Novas Geometrias de Laos Indutivos. Dissertao apresentado a UTFPR, dezembro, 2006.
[11] Oh, C., Ritchie, Stephen G., Jeng, Shin-Ting. Anonymous Vehicle Reidentification Using Heterogeneous Detection
Systems, IEEE Transactions on Intelligent Transportation System, 8(3):460- 9, September, 2007.
[12] Ki, Y. K., Baik, D. K. Vehicle-Classification Algorithm for Single-Loop Detectors Using Neural Networks, IEEE
Transactions on Vehicular Technology, Vol. 55, No. 6, Novembro, 2006